基于半监督的SVM迁移学习文本分类方法
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第14-20页 |
| 1.1 研究背景与意义 | 第14-15页 |
| 1.2 国内外研究现状 | 第15-18页 |
| 1.2.1 文本分类研究现状 | 第15-16页 |
| 1.2.2 半监督学习研究现状 | 第16页 |
| 1.2.3 迁移学习研究现状 | 第16-18页 |
| 1.3 本文主要研究内容 | 第18-19页 |
| 1.4 论文组织结构 | 第19-20页 |
| 第二章 相关理论 | 第20-36页 |
| 2.1 文本分类概述 | 第20页 |
| 2.2 文本分类流程 | 第20-32页 |
| 2.2.1 文本预处理 | 第21-23页 |
| 2.2.2 分类算法 | 第23-31页 |
| 2.2.3 评估标准 | 第31-32页 |
| 2.3 迁移学习 | 第32-35页 |
| 2.3.1 迁移学习概述 | 第32页 |
| 2.3.2 迁移学习类型 | 第32-34页 |
| 2.3.3 与传统机器学习的比较 | 第34-35页 |
| 2.3.4 迁移学习的应用 | 第35页 |
| 2.4 本章小结 | 第35-36页 |
| 第三章 基于半监督的SVM分类算法 | 第36-41页 |
| 3.1 半监督学习概述 | 第36页 |
| 3.2 自训练分类算法 | 第36-38页 |
| 3.3 STSVM算法描述 | 第38-40页 |
| 3.3.1 SVM分类应用半监督学习的意义 | 第38页 |
| 3.3.2 算法具体描述 | 第38-40页 |
| 3.4 本章小结 | 第40-41页 |
| 第四章 基于半监督的SVM迁移学习文本分类算法 | 第41-53页 |
| 4.1 SVM分类运用迁移学习的意义 | 第41页 |
| 4.2 Transfer-SVM算法描述 | 第41-48页 |
| 4.2.1 算法问题描述 | 第41-42页 |
| 4.2.2 算法核心思想 | 第42-46页 |
| 4.2.3 目标函数构造 | 第46-48页 |
| 4.2.4 算法具体描述 | 第48页 |
| 4.2.5 算法预期 | 第48页 |
| 4.3 Transfer-STSVM算法描述 | 第48-52页 |
| 4.3.1 算法核心思想 | 第48-50页 |
| 4.3.2 目标函数构造 | 第50-51页 |
| 4.3.3 算法具体描述 | 第51-52页 |
| 4.3.4 算法预期 | 第52页 |
| 4.4 本章小结 | 第52-53页 |
| 第五章 算法测试与分析 | 第53-62页 |
| 5.1 实验准备 | 第53-57页 |
| 5.1.1 实验环境 | 第53页 |
| 5.1.2 数据集说明 | 第53-56页 |
| 5.1.3 数据预处理 | 第56-57页 |
| 5.2 实验设置 | 第57页 |
| 5.3 算法测试与分析 | 第57-61页 |
| 5.4 算法效率 | 第61页 |
| 5.5 本章小结 | 第61-62页 |
| 总结与展望 | 第62-64页 |
| 参考文献 | 第64-68页 |
| 攻读学位期间发表论文 | 第68-70页 |
| 致谢 | 第70页 |
